La cuenta que casi nadie hace: 720 segundos divididos por tu duración de corte
Doce minutos son 720 segundos, y ese número solo responde la pregunta. Divide por cuánto tiempo permanece cada visual en pantalla y tienes tu cantidad de escenas. Un cambio cada 5 segundos son 144 escenas. Cada 8 segundos, 90. Cada 12 segundos, 60. Cada 20 segundos, 36. Mismo guion, misma duración, y cuatro trabajos de producción distintos, con cuatro precios distintos. Esos mismos 720 segundos son lo que un generador de clips no llena solo, y la aritmética entre un prompt y un video completo cuenta las generaciones y los otros seis trabajos que esa cuenta deja afuera.
La franja que funciona en un canal faceless de narración es de 6 a 10 segundos por escena, lo que cae entre 72 y 120 escenas. Por debajo de 4 segundos el episodio se vuelve videoclip: el espectador siente apuro y se cansa hacia el minuto tres. Por encima de 15 segundos el ojo se rinde antes que el oído, porque la narración sigue avanzando mientras la pantalla ya se detuvo.
Noventa escenas es el centro honesto de esa franja y el número contra el cual conviene planificar. Es también el número que hace subestimar el trabajo: 90 escenas son 90 decisiones, 90 búsquedas, 90 recortes y 90 puntos de sincronía con la narración.
- 12 minutos son 720 segundos, la base de cualquier cálculo de escenas.
- Un visual cada 5 segundos son 144 escenas, cada 8 segundos son 90.
- Cada 12 segundos son 60 escenas, cada 20 segundos apenas 36.
- La franja que funciona en video narrado: 6 a 10 segundos, 72 a 120 escenas.
La regla que casi nadie aplica: el ritmo de corte no es constante
Aquí es donde la mayoría de los canales pierde. Eligen un número, 8 segundos, y cortan cada 8 segundos durante doce minutos. Es ordenado, es trivial de automatizar y está mal. Los primeros 30 segundos piden cortes de 2 a 4 segundos, porque ahí está el gancho: unas 10 escenas antes de que el espectador haya decidido algo.
Una vez hecha la promesa y con el espectador comprometido, de 8 a 12 segundos por escena resulta cómodo y lo visual deja de competir con la narración. Y llega la parte que casi todos arruinan: el momento de giro de la historia pide un plano largo, de 15 a 20 segundos, porque el silencio visual es lo que le da peso a una frase. Cortar por encima de la revelación aplana la revelación.
El corte ciego cada X segundos es la firma de la automatización perezosa, y aparece en la curva de retención como un serrucho de caídas pequeñas en intervalos regulares. El mapa que funciona en un episodio de doce minutos es más o menos 10 escenas en los primeros 30 segundos, de 60 a 70 en el cuerpo entre 8 y 12 segundos, 3 o 4 momentos ancla sostenidos de 15 a 20, y un bloque de cierre de vuelta en 6 a 8. En FalconVid el corte cae en la frase y en el pulso de la narración, no en un cronómetro, así que el ritmo respira en lugar de tictaquear.
- Primeros 30 segundos: 2 a 4 segundos por escena, unas 10 escenas de gancho.
- Cuerpo explicativo: 8 a 12 segundos, la velocidad de crucero cómoda.
- Momentos de giro: 15 a 20 segundos, porque el silencio visual da peso.
- El intervalo fijo aparece como un serrucho de caídas regulares.
Una escena no siempre es un clip: cinco tipos y cuánto cuesta cada uno
La palabra escena engaña y hace pensar en clip, y el clip es el ítem más caro de la lista. Escena es cualquier unidad visual que sostiene la pantalla por un pulso: imagen fija con pan o zoom lento, clip animado, gráfico o placa de datos, mapa, o texto en pantalla. Un documental de doce minutos hecho 100 por ciento de clips animados no es mejor, es más caro y por lo general más inquieto.
El reparto honesto en un video largo narrado ronda el 60 a 70 por ciento de imágenes fijas con movimiento lento, 15 a 25 por ciento de clips animados reservados para los momentos que piden movimiento, y 10 a 15 por ciento entre gráficos, mapas y placas de texto. Animar todo es desperdicio: la mayoría del material de apoyo cumple con un zoom del 4 por ciento en 8 segundos y nadie nota la diferencia. El movimiento debe significar que algo pasó, no que había presupuesto.
Esa distribución es exactamente lo que compra el nivel de calidad de FalconVid, y por eso el mismo video de doce minutos cuesta 1.008 créditos en económico, 8.676 en balanceado y 26.760 en premium. Repartido en 90 escenas eso da unos 11 créditos por escena en económico, cerca de 96 en balanceado y casi 297 en premium, que en dólares son unos $0,04, unos $0,30 y unos $0,93 por escena. La duración nunca cambia. Cambia cuántas escenas se generan y se animan, y con qué motor.
- Imagen fija con pan o zoom lento: la escena más barata y la base del material de apoyo.
- Clip animado: resérvalo para el movimiento que de verdad significa algo.
- Gráfico o placa de datos: barato, y compra atención en cada número.
- Mapa: el tipo de escena más fuerte en historia, geopolítica y viajes.
- Mismo video: 1.008 créditos en económico, 8.676 balanceado, 26.760 premium.
El guion decide el corte: 1.800 palabras, una frase por escena
La narración corre a unas 150 palabras por minuto en un registro documental cómodo, así que un video de doce minutos tiene alrededor de 1.800 palabras de guion. Divide 1.800 palabras entre 90 escenas y obtienes 20 palabras por escena, que a 150 palabras por minuto son exactamente 8 segundos. La franja no es preferencia estética: se desprende de cómo habla la gente.
Por eso una frase por escena es el corte natural. La frase ya es la forma en que el guion segmenta una idea, y un cambio visual en el límite de la frase se siente invisible, mientras que un cambio en medio de la oración se siente como una falla. Una frase de 30 palabras pide una escena de 12 segundos. Una línea corta de 8 palabras pide 3 segundos y funciona precioso en el gancho.
También entrega un diagnóstico. Si no logras encontrar un visual distinto para tres frases seguidas, el guion se está repitiendo y el arreglo está en la escritura, no en el montaje. FalconVid escribe el guion y planifica las escenas en la misma pasada, así que el plan visual nace de la estructura de las frases en lugar de encajarse después, y la narración nunca espera por una imagen que no tiene nada nuevo que decir.
- Unas 150 palabras por minuto dan alrededor de 1.800 palabras en 12 minutos.
- 1.800 palabras en 90 escenas son 20 palabras, unos 8 segundos cada una.
- Una frase por escena es el punto de corte natural e invisible.
- Tres frases sin visual nuevo significan que el guion se repite.
Quién arma 90 escenas: 6 a 10 horas de editor, o 30 minutos de pipeline
Para cada una de esas 90 escenas alguien decide qué aparece, busca el material, lo descarga, lo recorta, lo encaja debajo de la frase correcta, ajusta el movimiento, revisa la licencia y sigue. Un editor competente gasta de 6 a 10 horas en un episodio narrado de doce minutos, unos 5 minutos por escena sin pausas. A $80 a $400 por video largo, publicar dos veces por semana es un segundo sueldo saliendo del bolsillo.
El pipeline de FalconVid hace ese trabajo en paralelo en vez de en fila. Investigador, guionista, narrador, editor y sound design trabajan al mismo tiempo, no uno después del otro, y por eso el video terminado llega en hasta 30 minutos en lugar de días. El banco de músicas y efectos ya viene incluido, así que ninguna escena espera por licencias. Los subtítulos karaoke en más de 15 estilos salen junto con el corte, no después, y eliges el motor por proyecto: económico para volumen, premium para los episodios que lo merecen.
La objeción siempre es la misma: ¿y si la escena 47 sale mal? Ves la primera versión en el Studio y cambias ese medio específico, acortas la intro, cambias la música, o abres la timeline y lo haces tú. No estás rehaciendo un video, estás corrigiendo una escena de 90. Esa es toda la diferencia entre revisar y editar, y por eso un editor de video con IA solo funciona de verdad cuando lo único que apruebas es el calendario.
- Especialistas en paralelo entregan el video terminado en hasta 30 minutos.
- Banco de músicas y efectos incluido, sin cacería de licencias escena por escena.
- Subtítulos karaoke en más de 15 estilos producidos junto con el corte.
- El Studio cambia una escena en lugar de rehacer el video entero.
Dónde entra el avatar de IA en el mapa de escenas, y por qué es la escena más cara
Si tu formato pone un presentador en pantalla el mapa cambia, porque el lip sync se cobra por segundo de rostro y no por escena. Kling Avatar Std sale a 32 créditos por segundo, cerca de $6,02 por minuto. Kling Avatar Pro sale a 64, HeyGen a 80 y OmniHuman 1.5 a 112 créditos por segundo, algo como $21,05 por minuto. El tiempo de rostro es el metro cuadrado más caro de todo el video, por amplio margen.
Una sola escena de avatar de 8 segundos en el motor más barato cuesta 256 créditos, un cuarto de lo que cuesta producir el video entero de doce minutos en modo económico, que son 1.008 créditos. Ocho segundos de rostro compran lo mismo que unos tres minutos de video terminado. Una cabeza parlante de doce minutos completos da 24.048 créditos, cerca de $75,34, mientras que 90 segundos de rostro en el mismo episodio suman 3.888 créditos, cerca de $12,18.
Así que el avatar de IA pertenece exactamente donde el ritmo ya mandaba desacelerar: el gancho, los dos o tres giros y el cierre. Las otras 80 escenas siguen siendo material de apoyo, gráficos y mapas, que además es mejor televisión. Un rostro que aparece en los momentos ancla se lee como autoridad. Un rostro que no sale de la pantalla por doce minutos se lee como webinar, y cuesta seis veces más en el mismo episodio.
- El lip sync se cobra por segundo de rostro, no por escena.
- Una escena de avatar de 8 segundos, 256 créditos, un cuarto del video económico entero de 1.008.
- 90 segundos de rostro en un episodio de 12 minutos: 3.888 créditos, cerca de $12,18.
- Pon el rostro en el gancho y en los giros, no en las 90 escenas.
144 cortes o 60 escenas buenas: el veredicto de 2026
Si hay que dar una sola respuesta: menos escenas bien elegidas le ganan a 144 cortes mecánicos siempre. Un video con 60 escenas donde cada una dice algo que la narración no dice sostiene mejor que un video con 144 donde la pantalla cambia por cambiar. El ritmo de corte es información, y la información repetida se vuelve ruido.
El detalle es que elegir bien cuesta tiempo, y el tiempo es justamente lo que el flujo manual no tiene. Ese es el techo real, y es un techo del MANUAL: una persona puede curar 90 escenas con cuidado para un video por semana, quizá dos. En el instante en que quieres cuatro videos por semana en dos canales, estás eligiendo entre cuidado y posible, y el cuidado pierde.
Ese techo desaparece cuando la producción corre en paralelo y el nivel de calidad se vuelve una perilla en lugar de una pared. El económico a 1.008 créditos por video es el ajuste de volumen, el balanceado a 8.676 es el caballo de batalla, el premium a 26.760 es para los episodios que sostienen el canal, y decides video por video, no canal por canal. Starter corre 2 generaciones al mismo tiempo, Scale corre 50 generaciones en 50 canales. Cuidado y cantidad dejan de ser opuestos en el segundo en que 90 escenas dejan de ser 8 horas de tu noche.
- 60 escenas bien elegidas le ganan a 144 cortes mecánicos en retención.
- El nivel de calidad es la perilla: económico 1.008, balanceado 8.676, premium 26.760.
- Elige por video, no por canal, cuando las generaciones corren en paralelo.
- 2 generaciones simultáneas en Starter, 50 en Scale.